尹 令，洪添胜，刘迎湖，刘财兴

(1．华南农业大学信息学院，广州510642;2．华南农业大学工程学院，广州510642;3．华南农业大学理学院，广州510642)

家禽和乳牛生产是人类食物供应链的两个重要来源，因此加强动物的监控管理，保障动物健康，对提高动物产量非常重要[1]。而对动物的监控包括两个主要的目标:动物健康监控和动物行为研究。国外已经展开应用无线传感器网络对奶牛进行监控的研究。澳大利亚CSIRO研究人员通过传感器采集奶牛位置、体温、三轴运动加速度、速度和三轴磁场强度值，应用多个信息采用阈值来分类动物行为特征[2-3]。加拿大研究人员用视频记录奶牛的行为，再分类奶牛站立、躺着、摇头等行为频率，以此研究畜栏的地板和拴系方式如何提高奶牛舒适度[4]。美国研究人员应用加速度传感器监测分类奶牛躺、站立、走动等行为从而判断奶牛是否生病[5]。芬兰科学家提出用支持向量机分类模型识别奶牛的站立、躺、反刍、进食、正常走和跛脚走等行为[6]。日本研究人员对奶牛的三轴加速度传感数据做统计阈值分类来识别奶牛的吃草，反刍和休息的行为，从而判断动物的精神和身体状况[7]。现有研究多数采用阈值和统计的方法来分类奶牛行为，这样形成的模型简单，但没有充分考虑到奶牛的个体差异性，不具备自学习调整功能。唯有文献[6]运用支持向量机来建立模型，然而其分类目标是为了判断奶牛是否跛脚，分类的行为和输入数据与奶牛发情鉴定均有不同。

发情鉴定是奶牛繁殖育种工作中必备且重要的一项技术。准确高效的发情鉴定技术能够提高受胎率和缩短胎间距，是改善奶牛繁殖效率和增加经济效益的重要手段。现在最常用的发情鉴定方法是外部行为特征观察，其方法简便、直观。然而，现代集约化的养殖模式下发情鉴定完全依赖人工连续长时间的观察，需要大量的人力资源。另外观察要尽量在不被动物觉察的情况下进行，大多数动物觉察出观察者的存在，容易干扰并中断正常的活动，这都增加奶牛发情鉴定的难度。本文设计将配置有加速度传感器的无线传感器节点项圈佩戴在奶牛身上，在不干扰其正常活动的情况下，实时监测奶牛三轴运动加速度，通过基于二叉决策树支持向量机时间序列模型分类其行为类型、活动强度等生理和行为特征，用于初步鉴定奶牛是否发情。

1 材料和方法

1．1 无线传感节点

嵌入有三轴加速度传感器的无线传感节点如图1所示，节点由两个AA电池供电，其大小为63 mm×30 mm×25 mm，重约12 g。无线传感节点的控制器采用低功耗的Msp430F149(Texas Instruments，USA)，其工作在2．2 V、1 MHz时电流工作电流仅为280 nA，睡眠模式下为0．1 nA。无线发送接收芯片采用CC2500(Texas Instruments，USA)，该芯片是低功耗多通道无线应用成本最低的产品之一，工作波段频带为2．4 GHz，封装小，功耗低，发送数据率高，灵敏度高。传输模块无障碍时的最大通信距离为200 m。实际在牛场应用时，由于奶牛身体的遮挡等，实际传输距离衰减为120 m左右。三维加速度传感器ADXL330(Analog Deice，USA)，可以静态或者动态测量物体的加速度，测量范围是±2g[15]。整个无线传感器节点用一个密闭的防水盒封装，固定在定制的牛头套项圈上，如图2所示。

图1 无线传感器节点

图2 佩戴有节点项圈的奶牛

1．2 数据采集

实验记录数据来源于4头奶牛，其中2头处于发情期的奶牛。这4头奶牛被放养在一个可自由活动的运动场内。奶牛行为由摄像机记录，摄像机与无线传感节点进行时间同步，这样通过查询时间戳，可以准确知道奶牛每秒的行为动作。

加速度反映着物体运动速度变化的快慢。实验中加速度传感器获取奶牛三轴方向加速度，三轴方向指向分别为x轴指向牛尾，y轴指向牛身体外侧与x轴为同一平面，z轴指向地。加速度传感器采样频率为10 Hz，然而为了减少通信开销，无线传感器节点并不将采集到的每一个数据传回控制中心，而是根据用户定义的时间滑动窗口传送数据。时间滑动窗口可以选取为1 s，2 s或更长时间，在选定的时间滑动窗口内只传送记录窗口时间内的三轴方向加速度的平均值，最大峰值，最小峰值和标准方差。时间滑动窗口选取短窗口能较为精确地描述奶牛动作，但传送数据量较大;而选取长时间窗口一些变化较快的动作如爬跨等不能精确描述，传送数据量则成倍减少。

1．3 奶牛行为特征

奶牛的行为分类根据不同的标准和目的有多种分类方法。Huzzey J M等在研究奶牛产犊之后的饮食情况，只考虑奶牛进食、饮水和站立等行为[8]。Haley D B以奶牛站立、躺着、摇头行为频率来评价奶牛对于环境舒适度情况[4]。Toshio Watanabe通过分析奶牛在单位时间内一条腿是否高于其他腿来判定奶牛是否处于发情期[9]。

动物学家在研究奶牛习性时发现，在发情早期，发情牛表现兴奋不安、敏感躁动、走动频繁，而未发情的母牛比较懒散[10];放牧条件下发情母牛经常离群、单独在篱笆围栏处来回走动，并追赶其它母牛、嗅舔其它母牛的外生殖器[11]。同时，爬跨其它牛是发情牛出现频率较高的又一种行为，超过90%的发情牛会表现爬跨行为[12-14]。为此监测奶牛运动行为特征是判断发情的一个重要指标。奶牛的行为特征复杂多变，很难完全区分所有行为特征。为降低系统建模难度，将奶牛的行为特征分为轻幅动作和大幅度动作，其中轻幅动作又包含静止和慢走，大幅度运动再细分为快跑和爬跨，如图3所示。

图3 奶牛行为分类

2 模型建立与算法设计

支持向量机SVMs(Support Vector Machines)1995年由Vapnik与其领导的贝尔实验室的研究小组一起开发出来的一种新的机器学习技术。由于其出色的学习性能，该技术已经成为当前国际机器学习界的研究热点[16-17]。本文运用支持向量机SVMs法对奶牛行为方式的特征进行识别。

首先，对观测数据建立如下的支持向量机SVMs模型:

设{(xi，yi)，i=1，2，…l}，其中 xi∈Rn为给定的样本集，即输入量，yi∈Rn为目标输出量，l为训练样本个数。

在本应用模型中，输入量 xt(t=1，2，…，l)定义为:

式(1)中，(xavgt，yavgt，zavgt)为选定长度的时间滑动窗口内三轴方向加速度的平均值，该组值体现出奶牛各个方向运动变化的趋势;(xmaxt，ymaxt，zmaxt)是三轴加速度的最大峰值，此值反映剧烈运动的瞬间加速度变化量;(xdevt，ydevt，zdevt)是三轴加速度的最大方差值，它能体现出奶牛运动的瞬间最大变化趋势;sma是三轴加速度绝对值之和，能综合反映三轴运动变化的大小。因此:

其中k为一个时间滑动窗口内取样点个数。本研究工作通过对下列所述的式(6)模型通过寻求适当的核函数 K(xi，xj)，i，j=1，…，l，从而寻找最优分类面:

当金属层数变为2层时，在谐振点处也可观察到环偶极子现象。双层金属结构超材料表面电场和磁场分布如图4所示。图4（a）为双层金属超材料低频谐振表面电场分布，在图4（b）中可以观察到磁偶极子首尾相连呈旋涡状的环偶极子。图4（c）是双层金属超材料高频处表面电场分布，图4（d）为高频谐振处的磁场，可以观察到一个明显的环偶极子。对比单层和双层金属超材料，可以看出双层金属的超材料单元结构磁场能量更强，同时环偶极子响应也更强。

式(6)模型中，αi为对应的Lagrange乘子。

其次，应用上述建立的支持向量机SVMs模型，进一步观察数据进行分类，其实现的方法如下:

其中b*是分类阈值，由约束条件

求解可得。运用此分类规则可通过计算sgn[fk(xi)]的值而得。

上述支持向量机SVMs模型的设计中，如何选择合适有效的核函数，以取得较好的分类效果，本研究通过对现有数据的大量实验分析表明，将核函数选择为高斯径向基函数(Radial Basis Function，RBF)，可取得较好的分类效果。因此，本研究将式(6)模型的核函数定义为:

式(9)中，σ为核函数的宽度参数，它满足Mercer定理。

由于本研究将奶牛的行为分为静止、慢走、快跑和爬跨四个特征，因此，需进一步在上述的二值分类方法的基础上构造一个四类分类器。目前，解决多分类问题有如下常用的两种方法[18]:一是组合几个二值分类器去构造多类分类器;二是在一个优化公式中直接考虑所有数据进行全局优化。而常用的组合多个二值分类器又有三种模式:一对多组合(One Against All)、一对一组合(One Against One)和DAGSVM(Direeted Acyclic Graph SVM)。本文采用逐层构造二叉决策树SVM两类分类器来解决多类分类问题，如图4所示。

图4 二叉决策树支持向量机分类结构图

3 实验结果与分析

表1 1 s时间窗口分类结果

表2 2 s时间窗口分类结果

时间窗口取值1 s，实验中数据样本个数为2 398个，其中约70%用于训练分类模型，30%用于测试。c，g参数采用交叉验证选择最优参数。从表中可以看出在第一次对轻幅(包括静止和慢走)和大幅运动(包括跑动和爬跨)区分度高，达到95．5%。然后利用分离后的数据结果进行第二次轻幅动作静止和慢走的分类，以及第三次大幅动作跑动和爬跨的分类。轻幅动作分类结果仅70．7%，分析存在有以下原因可能导致误分，一是奶牛的运动行为有时是复合运动，如它站着或躺着处于相对静止状态，但它偶尔会轻微摇头或者咀嚼，观察时把奶牛运动状态定义为静止，而加速度传感器佩戴在牛颈部，对奶牛头部运动敏感，使得数据源样本错误。另外一方面奶牛各种运动状态是一个动态过程，瞬间加速度会有变化，在观测定义的时候把整个行为过程都按照一个行为状态来定义。这两个原因都会使得数据源就存在误差。第三次分类结果为80%。奶牛在发情期时会出现明显的焦躁不安，动作幅度明显加大，爬跨时跃起和落下瞬间加速度非常大，而停留时加速度变化不大且每次爬跨的持续时间不同，都会导致数据源样本差异。

时间窗口取值为2 s，如表2所示，可以减少一半数据传送量降低能耗和通信开销，而时间窗口延长会出现同一窗口内存在两种行为状态，选取采用持续时间长的动作行为作为当前窗口的行为状态，这将会牺牲采样数据的准确有效性，降低识别的准确率。

4 结论与讨论

4．1 结论

在本研究中，基于二叉决策树SVM构造多分类模型用于分类奶牛静止、慢走、快跑、爬跨等行为特征，对于区分轻幅和大幅度运动能达到95%的准确度，但再细分轻幅度和大幅度运动时区分度还需要进一步提高。

4．2 讨论

研究动物的行为特征，有利于判断动物是否处于生病、发情等异常状况，同时有利于改善动物的福利。除了奶牛以外，一些学者也通过各类传感器设备研究猪[19]，企鹅[20]、猫[21]等动物的行为特征。不管采用什么样的方法来研究动物行为特征的分类都存在一个问题，对于各种动物行为特征描述没有统一标准。如何定义动物的行为特征，复合动作行为如何处理，确保度量标准一致，数据源可靠准确等，是首先要解决的问题。一方面可以改进实验方案，以精确获取数据源，另一方面滑动窗口选择不采用固定时间窗口，换以动作事件为滑动窗口，这样更符合对行为状态的描述。

实验中受到场地、资料资源等限制随机选择4头奶牛进行实验，后续实验要扩大实验范围，增加数据量。

动物的行为存在个体差异，个体行为特征识别模型也将有所差异，因此算法设计要具备可学习性能根据不同个体行为特征调整模型参数，达到最佳识别效果。支持向量机算法具有出色的学习性能，能根据个体差异，自动学习调整模型。但训练模型时，在资源有限的无线传感器节点完成大量的运算不现实，若传输到控制中心运算，将增加整个网络的通信开销和节点能量的消耗。如何高效的完成个体行为差异的自学习功能是一个需要解决的关键。

[1]Ana Carolina de Sousa Silva，Aldo Ivan Céspedes Arce，Sérgio Souto，et al．A Wireless Floating Base Sensor Network for Physiological Responses of Livestock[J]．Computers and Electronics in Agriculture，2005，49(2):246-254．

[2]Guo Y，Corke P，Poulton G，et al．Animal Behaviour Understanding using Wireless Sensor Networks[C]//Local Computer Networks，Proceedings 2006 31st IEEE Conference on．Tampa，2006:607-614．

[3]Rebecca N Handcock，Dave L Swain，Greg J Bishop-Hurley．Monitoring Animal Behaviour and Environmental Interactions Using Wireless Sensor Networks，GPS Collars and Satellite Remote Sensing[J]．Sensors 2009，9(5):3586-3603．

[4]Haley D B，de Passillé A M，Rushen J．Assessing Cow Comfort:Effects of Two Floor Types and Two Tie Stall Designs on the Behaviour of Lactating Dairy Cows[J]．Applied Animal Behaviour Science，2001，71(2):105-117．

[5]Robert B，White B J，Renter D G．Evaluation of Three-Dimensional Accelerometers to Monitor and Classify Behavior Patterns in Cattle[J]．Computers and Electronics in Agriculture．2009，67(1):80-84．

[6]Martiskainen P，Järvinen M，Skön J，et al．Cow Behaviour Pattern Recognition Using a Three-Dimensional Accelerometer and Support Vector Machines[J]．Applied Animal Behaviour Science，2009，119(1):32-38．

[7]Nariyasu Watanabe，Seiichi Sakanoue，Kensuke Kawamura，et al．Development of an Automatic Classification System for Eating，Ruminating and Resting Behavior of Cattle Using an Accelerometer[J]．Grassland Science．2008，54(4):231-237．

[8]Huzzey J M，von Keyserlingk M A G，Weary D M．Changes in Feeding，Drinking，and Standing Behavior of Dairy Cows During the Transition Period[J]．Journal of Dairy Science．2005(88):2454-2461．

[9]Watanabe T，Sakurai A，Kitazaki K．Dairy Cattle Monitoring Using Wireless Acceleration-Sensor Networks[J]．Sensors 2008，978-1-4244-2580-8:526-529．

[10]Chapinal N，Veira DM，Weary DM，et al．Technical Note:Validation of a System for Monitoring Individual Feeding and Drinking Behavior and Intake in Group-Housed Cattle[J]．Journal of Dairy Science，2007，90(12):5732-5736．

[11]Orihuela A．Some Factors Affecting the Behavioural Manifestation of Oestrus in Cattle:a Review[J]．Appl Anim Behav Sci，2000，70(7):1-16．

[12]Roelofs J B，Eerdenburg F J，Soede N M，et al．Various Behavioral Signs of Estrous and Their Relationship with Time of Ovulation in Dairy Cattle[J]．Theriogenology，2005，63(9):1366-1377．

[13]Solano J，Orihuela A，Galina C S，et al．Rela-Tionships Between Social Behaviour and Mounting Activity of Zebu Cattle[J]．Appl Anim Behav Sci，2005，94(2):197-203．

[14]Diskin M G，Sreenan J M．Expression and Detection of Oestrus in Cow[J]．Reprod Nutr Dev，2000，40(5):481-491．

[15]钱莉，陈文元．基于MEMS加速度计的输入系统的研究[J]．传感技术学报，2009，(05):639-642．

[16]Vapnik V，Golowich S，SmolaA．Support Vector Method for Function Approximation，Regression Estimation，and Signal Processing[C]//Advances in Neural Information processing Systems，Cambridge，MA，MIT Press，1997:281-287．

[17]Schölkopf B，Smola A，Muller K-R．Kemel Principal Component A-nalysis[M]．In Schölkopf B，Burges C，Smola A，editors，Advances in Kernel Methods-Support Vector Leaming．MIT Press，Cambridge，MA，1999:327-352．

[18]张晓惠，林柏钢．基于特征选择和多分类支持向量机的异常检测[J]．通信学报，2009，(S1):68-73．

[19]Ce'cile Cornou，Séren Lundbye-Christensen．Classifying Cows’Activity Types from Acceleration Patterns An Application of the Multi-Process Kalman Filter[J]．Applied Animal Behaviour Science，2008(111):262-273．

[20]Yoda K，Naito Y，Sato K．A New Technique for Monitoring the Behaviour of Free-Ranging Adélie Penguins[J]．The Journal of Experimental Biology 2001(204):685-690．

[21]Shinichi Watanabe，Masako Izawa，Akiko Kato．A New Technique for Monitoring the Detailed Behaviour of Terrestrial Animals:A Case Study with the Domestic Cat[J]．Applied Animal Behaviour Science 2005，(94):117-131．